SOFTWARE PARA EL ANÁLISIS DE DATOS (SAD)

MÁSTER UNIVERSITARIO EN BIOINFORMÁTICA Y BIOESTADÍSTICA

Motivación y datasets empleados

El objetivo de nuestro trabajo es estudiar si existe alguna relación entre la vacuna BCG (Bacillus de Calmette y Guérin) para la tuberculosis y los datos de mortalidad de la COVID-19 en algunos países, ya que se hay estudios que sugieren esta vacuna incrementa las capacidades inmunitarias de la población, hecho que se ve en el número reducido de fallecimientos por COVID-19 en ciertos países. Mediante los conjuntos de datos de BCG y de mortalidad por COVID-19 cedidos por The BCG world atlas y por BCG - COVID-19 AI Challenge de Kaggle, vamos a intentar desvelar dichas relaciones.

Los ficheros en cuestión son del tipo `csv, así que son fácilmente importables a data frames enR:

# Cargamos ambos datasets. Añadir explicación de qué contienen.

BCG_strain <-
  read_csv("task_2-BCG_strain_per_country-1Nov2020.csv")

COVID_noformat <-
  read_csv(
    "task_2-COVID-19-death_cases_per_country_after_fifth_death-till_22_September_2020.csv"
  )

# Intenté ver que hay dentro de los data frames, pero el print es feo así que lo escribiré a mano
# str(COVID_noformat)
# str(BCG_strain)

El contenido de las variables BCG_strain y COVID_noformat es el siguiente:

BCG_strain	COVID_noformat
country_name	country_name
country_code	alpha_3_code
mandatory_bcg_strain_2015-2020	date_first_death
mandatory_bcg_strain_2010-2015	date_fifth_death
mandatory_bcg_strain_2005-2010	deaths_per_million_10_days_after_fifth_death
mandatory_bcg_strain_2000-2005	deaths_per_million_15_days_after_fifth_death
mandatory_bcg_strain_1990-2000	deaths_per_million_20_days_after_fifth_death
mandatory_bcg_strain_1980-1990	deaths_per_million_25_days_after_fifth_death
mandatory_bcg_strain_1970-1980	deaths_per_million_30_days_after_fifth_death
mandatory_bcg_strain_1960-1970	deaths_per_million_35_days_after_fifth_death
mandatory_bcg_strain_1950-1960	deaths_per_million_40_days_after_fifth_death
vaccination_timing_unified	deaths_per_million_45_days_after_fifth_death
BCG Atlas: Which year was vaccination introduced?	deaths_per_million_50_days_after_fifth_death
Year of changes to BCG schedule	deaths_per_million_55_days_after_fifth_death
BCG Atlas: BCG Recommendation Type	deaths_per_million_60_days_after_fifth_death
BCG Atlas: Details of changes	deaths_per_million_65_days_after_fifth_death
BCG Atlas: Timing of 1st BCG?	deaths_per_million_70_days_after_fifth_death
BCG Atlas: BCG Strain	deaths_per_million_75_days_after_fifth_death
BCG Atlas: How long has this BCG vaccine strain been used?	deaths_per_million_80_days_after_fifth_death
	deaths_per_million_85_days_after_fifth_death
	deaths_per_million_90_days_after_fifth_death
	deaths_per_million_95_days_after_fifth_death
	deaths_per_million_100_days_after_fifth_death
	deaths_per_million_105_days_after_fifth_death
	deaths_per_million_110_days_after_fifth_death
	deaths_per_million_115_days_after_fifth_death
	deaths_per_million_120_days_after_fifth_death
	deaths_per_million_125_days_after_fifth_death
	deaths_per_million_130_days_after_fifth_death
	deaths_per_million_135_days_after_fifth_death
	deaths_per_million_140_days_after_fifth_death
	deaths_per_million_145_days_after_fifth_death
	deaths_per_million_150_days_after_fifth_death
	stringency_index_10_days_after_fifth_death
	stringency_index_15_days_after_fifth_death
	stringency_index_20_days_after_fifth_death
	stringency_index_25_days_after_fifth_death
	stringency_index_30_days_after_fifth_death
	stringency_index_35_days_after_fifth_death
	stringency_index_40_days_after_fifth_death
	stringency_index_45_days_after_fifth_death
	stringency_index_50_days_after_fifth_death
	stringency_index_55_days_after_fifth_death
	stringency_index_60_days_after_fifth_death
	stringency_index_65_days_after_fifth_death
	stringency_index_70_days_after_fifth_death
	stringency_index_75_days_after_fifth_death
	stringency_index_80_days_after_fifth_death
	stringency_index_85_days_after_fifth_death
	stringency_index_90_days_after_fifth_death
	stringency_index_95_days_after_fifth_death
	stringency_index_100_days_after_fifth_death
	stringency_index_105_days_after_fifth_death
	stringency_index_110_days_after_fifth_death
	stringency_index_115_days_after_fifth_death
	stringency_index_120_days_after_fifth_death
	stringency_index_125_days_after_fifth_death
	stringency_index_130_days_after_fifth_death
	stringency_index_135_days_after_fifth_death
	stringency_index_140_days_after_fifth_death
	stringency_index_145_days_after_fifth_death
	stringency_index_150_days_after_fifth_death

Una visualización preliminar de estos datos revela que son todos del tipo string y que además muchas columnas sin datos (columnas cuyo único contenido es NULL), por lo tanto llevaremos a cabo una limpieza de los mismos además de cambios de tipo de variables para que las manipulaciones posteriores sean más cómodas. Los detalles se muestran en el siguiente bloque de código:

# Limpiar datos de BCG

# Elimino columnas que sean sólo NA
BCG_strain <- BCG_strain[, apply(!is.na(BCG_strain), 2, all)]

# De momento, no me interesa qué vacunas se ponían cada año, sino si se ponían o no.

# Transformo los valores de cada año en
# 0 - No se ponía vacuna, hasta ahora None
# 1 - Sí se ponía vacuna
# NA - Este dato es desconocido, hasta ahora Unknown

BCG_strain_no_strain <- BCG_strain

# Transformo los valores de las columnas
BCG_strain_no_strain[, -1] <-
    sapply(BCG_strain_no_strain[, -1], function(x) {
        a <-
            gsub("None", 0, x) %>% gsub("Unknown", NA, .) # Añado los 0 y los NA.
        for (i in 1:length(a)) {
            # Serán 1 aquellos que no sean ni 0 ni NA
            if (a[i] != "0" && !is.na(a[i])) {
                a[i] <- 1
            }
        }
        return(as.integer(a)) # Cambio las columnas a integer
    })

####################################################################################

# Limpiar datos de COVID

# Elimino columnas que sean sólo NA
COVID_noNA <- COVID_noformat[, apply(!is.na(COVID_noformat), 2, all)]

# En este caso, para variar, los valores vacíos están denotados como NULL,
# cambio esto a NA
COVID_Na <- sapply(COVID_noNA, function(x)
    gsub("NULL", NA, x))

# El resulatado de la función anterior es una string. Lo convierto a dataframe.
COVID_Na_df <- as.data.frame(COVID_Na)

# Modifico las fechas para que se almacenen como Date
COVID_Na_df[, c("date_fifth_death")] <-
    as.Date(COVID_Na_df[, c("date_fifth_death")], "%d/%m/%y")

COVID_Na_df[, c("date_first_death")] <-
    as.Date(COVID_Na_df[, c("date_first_death")], "%d/%m/%y")

# Modifico las muertes para que se almacenen como floats.
COVID_Na_df[, -c(1, 2, 3, 4)] <-
    sapply(COVID_Na_df[, -c(1, 2, 3, 4)], as.numeric)

################################################################################################

# Junto ambos dataframes en uno sólo.
COVID_BGC <-
    left_join(BCG_strain_no_strain, COVID_Na_df, by = "country_name")

# Reduzco los colnames, son my largos
colnames(COVID_BGC) <-
    gsub("mandatory_bcg_strain_", "strain", colnames(COVID_BGC)) %>%
    gsub("deaths_per_million", "dpm", .) %>%
    gsub("days_after_fifth_death", "d", .) %>%
    gsub("stringency_index", "si", .)

Nuestra tabla resultante es la siguiente:

Tabla 1. Vacunación de BCG por países y muertes por COVID-19
country_name	strain2015-2020	strain2010-2015	strain2005-2010	strain2000-2005	strain1990-2000	strain1980-1990	strain1970-1980	alpha_3_code
Afghanistan	1	1	1	1	1	1	0	AFG
Albania								ALB
Algeria	1							DZA
Angola	1	1	1	1	1	1	0	AGO
Argentina	0	0	1	1	1	0	0	ARG
Armenia	1	1	1	1	0	0	0	ARM

Tabla 1. Vacunación de BCG por países y muertes por COVID-19
country_name	date_first_death	date_fifth_death	dpm_10_d	dpm_15_d	dpm_20_d	dpm_25_d	dpm_30_d	dpm_35_d	dpm_40_d	dpm_45_d
Afghanistan	2020-03-24	2020-04-05	48	47	41	44	79	80	102	118
Albania	2020-03-12	2020-03-25	155	161	159	169	168	41	35	33
Algeria	2020-03-13	2020-03-18	49	66	125	153	161	167	167	32
Angola	2020-03-30	2020-06-12	21	17	20	20	21	19	15	19
Argentina	2020-03-08	2020-03-25	59	68	91	91	116	135	142	153
Armenia	2020-03-27	2020-04-03	144	155	162	56	49	55	53	71

Tabla 1. Vacunación de BCG por países y muertes por COVID-19
country_name	dpm_50_d	dpm_55_d	dpm_60_d	dpm_65_d	dpm_70_d	dpm_75_d	dpm_80_d	dpm_85_d	dpm_90_d	dpm_95_d
Afghanistan	134	146	155	165	19	30	37	43	51	58
Albania	32	25	23	25	18	22	22	24	26	39
Algeria	33	30	27	31	31	32	36	39	36	41
Angola	22	22	56	59	55	78	77	81	79	98
Argentina	160	166	167	24	21	31	42	57	57	65
Armenia	75	109	132	146	161	19	25	28	29	33

Tabla 1. Vacunación de BCG por países y muertes por COVID-19
country_name	dpm_100_d	dpm_105_d	dpm_110_d	dpm_115_d	dpm_120_d	dpm_125_d	dpm_130_d	dpm_135_d	dpm_140_d	dpm_145_d
Afghanistan	54	64	67	74	72	70	71	74	75	77
Albania	51	57	71	84	96	106	104	122	126	128
Algeria	44	45	46	53	50	54	55	61	63	69
Angola	99
Argentina	79	83	97	106	111	123	129	141	10	25
Armenia	37	46	48	57	56	55	57	62	65	67

Tabla 1. Vacunación de BCG por países y muertes por COVID-19
country_name	dpm_150_d	si_10_d	si_15_d	si_20_d	si_25_d	si_30_d	si_35_d	si_40_d	si_45_d	si_50_d
Afghanistan	80	52	47	42	45	45	47	48	56	56
Albania	132	52	47	42	54	53	53	55	62	62
Algeria	73	39	50	46	49	56	56	35	41	43
Angola		40	34	32	35	35	35	34	40	47
Argentina	32	1	1	1	1	1	52	54	61	63
Armenia	70

Tabla 1. Vacunación de BCG por países y muertes por COVID-19
country_name	si_55_d	si_60_d	si_65_d	si_70_d	si_75_d	si_80_d	si_85_d	si_90_d	si_95_d	si_100_d
Afghanistan	62	67	60	62	61	61	64	69	64	68
Albania	60	66	71	41	41	41	44	45	42	46
Algeria	66	54	56	59	57	57	60	46	43	48
Angola	53	59	61	58	56	56	68	72	66
Argentina	69	74	76	77	71	71	76	79	73	76
Armenia

Tabla 1. Vacunación de BCG por países y muertes por COVID-19
country_name	si_105_d	si_110_d	si_115_d	si_120_d	si_125_d	si_130_d	si_135_d	si_140_d	si_145_d	si_150_d
Afghanistan	67	63	66	60	52	53	27	30	5	3
Albania	41	42	42	37	36	36	31	35	36	35
Algeria	49	48	60	56	57	56	66	68	73	53
Angola
Argentina	76	72	77	71	72	72	75	79	77	77
Armenia

Mediante esta tabla llevaremos a cabo nuestros análisis. A continuación mostramos la estructura de la misma:

str(COVID_BGC)

## tibble [184 x 71] (S3: tbl_df/tbl/data.frame)
##  $ country_name    : chr [1:184] "Afghanistan" "Albania" "Algeria" "Angola" ...
##  $ strain2015-2020 : int [1:184] 1 NA 1 1 0 1 1 0 NA 0 ...
##  $ strain2010-2015 : int [1:184] 1 NA NA 1 0 1 1 0 NA 0 ...
##  $ strain2005-2010 : int [1:184] 1 NA NA 1 1 1 1 0 NA NA ...
##  $ strain2000-2005 : int [1:184] 1 NA NA 1 1 1 1 0 NA NA ...
##  $ strain1990-2000 : int [1:184] 1 NA NA 1 1 0 1 0 NA NA ...
##  $ strain1980-1990 : int [1:184] 1 NA NA 1 0 0 1 NA NA NA ...
##  $ strain1970-1980 : int [1:184] 0 NA NA 0 0 0 1 NA NA NA ...
##  $ strain1960-1970 : int [1:184] 0 0 0 0 0 0 1 NA NA NA ...
##  $ strain1950-1960 : int [1:184] 0 0 0 0 0 0 1 NA NA NA ...
##  $ alpha_3_code    : Factor w/ 211 levels "ABW","AFG","AGO",..: 2 5 56 3 8 9 11 12 13 21 ...
##  $ date_first_death: Date[1:184], format: "2020-03-24" "2020-03-12" ...
##  $ date_fifth_death: Date[1:184], format: "2020-04-05" "2020-03-25" ...
##  $ dpm_10_d        : num [1:184] 48 155 49 21 59 144 37 173 68 141 ...
##  $ dpm_15_d        : num [1:184] 47 161 66 17 68 155 45 95 64 137 ...
##  $ dpm_20_d        : num [1:184] 41 159 125 20 91 162 47 127 59 138 ...
##  $ dpm_25_d        : num [1:184] 44 169 153 20 91 56 85 137 86 133 ...
##  $ dpm_30_d        : num [1:184] 79 168 161 21 116 49 82 144 81 140 ...
##  $ dpm_35_d        : num [1:184] 80 41 167 19 135 55 79 154 77 148 ...
##  $ dpm_40_d        : num [1:184] 102 35 167 15 142 53 94 157 95 159 ...
##  $ dpm_45_d        : num [1:184] 118 33 32 19 153 71 93 158 94 160 ...
##  $ dpm_50_d        : num [1:184] 134 32 33 22 160 75 92 156 111 164 ...
##  $ dpm_55_d        : num [1:184] 146 25 30 22 166 109 94 154 127 28 ...
##  $ dpm_60_d        : num [1:184] 155 23 27 56 167 132 95 150 140 35 ...
##  $ dpm_65_d        : num [1:184] 165 25 31 59 24 146 92 156 152 51 ...
##  $ dpm_70_d        : num [1:184] 19 18 31 55 21 161 96 152 163 69 ...
##  $ dpm_75_d        : num [1:184] 30 22 32 78 31 19 102 152 21 100 ...
##  $ dpm_80_d        : num [1:184] 37 22 36 77 42 25 99 155 31 114 ...
##  $ dpm_85_d        : num [1:184] 43 24 39 81 57 28 98 154 40 127 ...
##  $ dpm_90_d        : num [1:184] 51 26 36 79 57 29 95 150 49 127 ...
##  $ dpm_95_d        : num [1:184] 58 39 41 98 65 33 95 151 57 137 ...
##  $ dpm_100_d       : num [1:184] 54 51 44 99 79 37 94 149 60 145 ...
##  $ dpm_105_d       : num [1:184] 64 57 45 NA 83 46 92 145 75 143 ...
##  $ dpm_110_d       : num [1:184] 67 71 46 NA 97 48 86 142 76 145 ...
##  $ dpm_115_d       : num [1:184] 74 84 53 NA 106 57 89 147 88 153 ...
##  $ dpm_120_d       : num [1:184] 72 96 50 NA 111 56 86 143 98 149 ...
##  $ dpm_125_d       : num [1:184] 70 106 54 NA 123 55 89 137 97 147 ...
##  $ dpm_130_d       : num [1:184] 71 104 55 NA 129 57 98 130 97 146 ...
##  $ dpm_135_d       : num [1:184] 74 122 61 NA 141 62 115 133 102 11 ...
##  $ dpm_140_d       : num [1:184] 75 126 63 NA 10 65 132 130 103 16 ...
##  $ dpm_145_d       : num [1:184] 77 128 69 NA 25 67 7 132 106 18 ...
##  $ dpm_150_d       : num [1:184] 80 132 73 NA 32 70 25 129 107 15 ...
##  $ si_10_d         : num [1:184] 52 52 39 40 1 NA 28 53 57 39 ...
##  $ si_15_d         : num [1:184] 47 47 50 34 1 NA 27 48 57 33 ...
##  $ si_20_d         : num [1:184] 42 42 46 32 1 NA 27 43 54 30 ...
##  $ si_25_d         : num [1:184] 45 54 49 35 1 NA 30 42 56 33 ...
##  $ si_30_d         : num [1:184] 45 53 56 35 1 NA 29 42 50 32 ...
##  $ si_35_d         : num [1:184] 47 53 56 35 52 NA 24 38 51 33 ...
##  $ si_40_d         : num [1:184] 48 55 35 34 54 NA 25 38 50 32 ...
##  $ si_45_d         : num [1:184] 56 62 41 40 61 NA 31 26 57 38 ...
##  $ si_50_d         : num [1:184] 56 62 43 47 63 NA 32 28 44 40 ...
##  $ si_55_d         : num [1:184] 62 60 66 53 69 NA 37 23 50 46 ...
##  $ si_60_d         : num [1:184] 67 66 54 59 74 NA 37 23 56 51 ...
##  $ si_65_d         : num [1:184] 60 71 56 61 76 NA 39 22 70 52 ...
##  $ si_70_d         : num [1:184] 62 41 59 58 77 NA 38 21 60 55 ...
##  $ si_75_d         : num [1:184] 61 41 57 56 71 NA 34 19 67 54 ...
##  $ si_80_d         : num [1:184] 61 41 57 56 71 NA 33 15 59 54 ...
##  $ si_85_d         : num [1:184] 64 44 60 68 76 NA 28 17 79 57 ...
##  $ si_90_d         : num [1:184] 69 45 46 72 79 NA 24 21 82 51 ...
##  $ si_95_d         : num [1:184] 64 42 43 66 73 NA 23 20 76 48 ...
##  $ si_100_d        : num [1:184] 68 46 48 NA 76 NA 30 21 78 54 ...
##  $ si_105_d        : num [1:184] 67 41 49 NA 76 NA 33 22 78 55 ...
##  $ si_110_d        : num [1:184] 63 42 48 NA 72 NA 53 25 74 54 ...
##  $ si_115_d        : num [1:184] 66 42 60 NA 77 NA 62 12 78 54 ...
##  $ si_120_d        : num [1:184] 60 37 56 NA 71 NA 53 11 72 50 ...
##  $ si_125_d        : num [1:184] 52 36 57 NA 72 NA 46 11 73 49 ...
##  $ si_130_d        : num [1:184] 53 36 56 NA 72 NA 47 10 68 50 ...
##  $ si_135_d        : num [1:184] 27 31 66 NA 75 NA 50 12 72 53 ...
##  $ si_140_d        : num [1:184] 30 35 68 NA 79 NA 67 11 76 44 ...
##  $ si_145_d        : num [1:184] 5 36 73 NA 77 NA 64 12 73 45 ...
##  $ si_150_d        : num [1:184] 3 35 53 NA 77 NA 64 11 73 44 ...

Hagamos unos análisis descriptivos:

a) ¿Cuál es la media para la variable “deaths per million 150 days after fifth death” (representado por `dpm_150_d) para el conjunto de países que la han medido? ¿Y para la variable “stringency index 150 days after fifth death”?

m1 <- mean(na.omit(COVID_BGC$dpm_150_d))
m2 <- mean(na.omit(COVID_BGC$si_150_d))
cat(sprintf("La media para dpm_150_d es %.2f\n", m1))

## La media para dpm_150_d es 69.98

cat(sprintf("La media para si_150_d es %.2f\n", m2))

## La media para si_150_d es 39.89

b) ¿Cuáles son los países cuyo valor para “deaths per million 150 days after fifth death” (en caso de estar presente) se encuentra por debajo de la media? ¿Y para la variable “stringency index 150 days after fifth death”?

cat(
  "Los países cuyo valor de dpm_150_d es menor que la media del dataset son:\n\n",
  paste(subset(COVID_BGC, dpm_150_d < m1)$country_name, collapse = ', '),
  "\n\n"
)

## Los países cuyo valor de dpm_150_d es menor que la media del dataset son:
## 
##  Argentina, Australia, Bahrain, Bangladesh, Barbados, Bosnia and Herzegovina, Burkina Faso, Cameroon, Canada, Costa Rica, Denmark, Dominican Republic, El Salvador, Greece, Guam, Guatemala, Haiti, Honduras, Indonesia, Iraq, Jamaica, Jordan, Kazakhstan, Kenya, Kuwait, Latvia, Liberia, Moldova, Montenegro, Morocco, Myanmar, Niger, Oman, Pakistan, Philippines, Portugal, Romania, Saudi Arabia, Senegal, Serbia, South Africa, Sri Lanka, Sudan, Switzerland, Taiwan, Tanzania, Thailand, Uruguay, Uzbekistan, Venezuela

cat(
  "Los países cuyo valor de si_150_d es menor que la media del dataset son:\n\n",
  paste(subset(COVID_BGC, si_150_d < m2)$country_name, collapse = ', ')
)

## Los países cuyo valor de si_150_d es menor que la media del dataset son:
## 
##  Afghanistan, Albania, Austria, Barbados, Bosnia and Herzegovina, Bulgaria, Burkina Faso, Cameroon, Cote d'Ivoire, Croatia, Czech Republic, Denmark, Estonia, Finland, France, Ghana, Greece, Hungary, Israel, Japan, Jordan, Latvia, Lithuania, Malaysia, Mali, Mauritius, Moldova, Netherlands, New Zealand, Niger, Norway, Pakistan, Poland, Romania, Singapore, Slovenia, Sri Lanka, Sweden, Switzerland, Taiwan, Tanzania, Thailand, Togo, Tunisia, Turkey, Ukraine, United Arab Emirates, Uruguay

c) ¿Cuáles son los países que cumplen ambas condiciones del apartado anterior?

cat(
  "Los países cuyos valores de dpm_150_d y de si_150_d son menores que la media del dataset son:\n\n",
  paste(subset(COVID_BGC, (dpm_150_d < m1) &
                 (si_150_d < m2))$country_name, collapse = ', ')
)

## Los países cuyos valores de dpm_150_d y de si_150_d son menores que la media del dataset son:
## 
##  Barbados, Bosnia and Herzegovina, Burkina Faso, Cameroon, Denmark, Greece, Jordan, Latvia, Moldova, Niger, Pakistan, Romania, Sri Lanka, Switzerland, Taiwan, Tanzania, Thailand, Uruguay

d) ¿Cuáles son los países que han tenido campaña de vacunación de la vacuna BCG más reciente y que su la media de mortalidad a los 150 días es menor que la media?

cat(
  "Los países cuyos valores de dpm_150_d son menores que la media del dataset y que además han tenido una reciente campaña de vacunación de la vacuna BCG son:\n\n",
  paste(subset(
    COVID_BGC, (dpm_150_d < m1) &
      (`strain2015-2020` == 1)
  )$country_name, collapse = ', ')
)

## Los países cuyos valores de dpm_150_d son menores que la media del dataset y que además han tenido una reciente campaña de vacunación de la vacuna BCG son:
## 
##  Australia, Bangladesh, Bosnia and Herzegovina, El Salvador, Indonesia, Kazakhstan, Kenya, Kuwait, Latvia, Moldova, Pakistan, Philippines, Portugal, Romania, Saudi Arabia, Senegal, South Africa, Sudan, Taiwan, Tanzania, Thailand

Hagamos un poco de estadística descriptiva:

a) Resumen estadístico de las variables

# Obvimente hay variables en las que no tiene sentido hacer resumen estadístico, como el alpha_3_code, las strains... Pero por ahora lo voy a dejar
summary(COVID_BGC)

##  country_name       strain2015-2020  strain2010-2015  strain2005-2010 
##  Length:184         Min.   :0.0000   Min.   :0.0000   Min.   :0.0000  
##  Class :character   1st Qu.:0.0000   1st Qu.:0.0000   1st Qu.:1.0000  
##  Mode  :character   Median :1.0000   Median :1.0000   Median :1.0000  
##                     Mean   :0.6907   Mean   :0.7021   Mean   :0.7527  
##                     3rd Qu.:1.0000   3rd Qu.:1.0000   3rd Qu.:1.0000  
##                     Max.   :1.0000   Max.   :1.0000   Max.   :1.0000  
##                     NA's   :87       NA's   :90       NA's   :91      
##  strain2000-2005  strain1990-2000  strain1980-1990  strain1970-1980 
##  Min.   :0.0000   Min.   :0.0000   Min.   :0.0000   Min.   :0.0000  
##  1st Qu.:1.0000   1st Qu.:1.0000   1st Qu.:0.0000   1st Qu.:0.0000  
##  Median :1.0000   Median :1.0000   Median :1.0000   Median :1.0000  
##  Mean   :0.7727   Mean   :0.7647   Mean   :0.7262   Mean   :0.5341  
##  3rd Qu.:1.0000   3rd Qu.:1.0000   3rd Qu.:1.0000   3rd Qu.:1.0000  
##  Max.   :1.0000   Max.   :1.0000   Max.   :1.0000   Max.   :1.0000  
##  NA's   :96       NA's   :99       NA's   :100      NA's   :96      
##  strain1960-1970  strain1950-1960   alpha_3_code date_first_death    
##  Min.   :0.0000   Min.   :0.0000   AFG    :  1   Min.   :2020-01-11  
##  1st Qu.:0.0000   1st Qu.:0.0000   AGO    :  1   1st Qu.:2020-03-16  
##  Median :0.0000   Median :0.0000   ALB    :  1   Median :2020-03-24  
##  Mean   :0.4456   Mean   :0.2917   ARE    :  1   Mean   :2020-03-30  
##  3rd Qu.:1.0000   3rd Qu.:1.0000   ARG    :  1   3rd Qu.:2020-04-03  
##  Max.   :1.0000   Max.   :1.0000   (Other):148   Max.   :2020-08-01  
##  NA's   :92       NA's   :88       NA's   : 31   NA's   :40          
##  date_fifth_death        dpm_10_d         dpm_15_d         dpm_20_d     
##  Min.   :2020-01-21   Min.   :  2.00   Min.   :  1.00   Min.   :  1.00  
##  1st Qu.:2020-03-25   1st Qu.: 41.25   1st Qu.: 40.25   1st Qu.: 35.25  
##  Median :2020-04-03   Median : 82.50   Median : 82.50   Median : 83.50  
##  Mean   :2020-04-16   Mean   : 85.30   Mean   : 86.23   Mean   : 82.21  
##  3rd Qu.:2020-04-22   3rd Qu.:130.75   3rd Qu.:131.50   3rd Qu.:125.75  
##  Max.   :2020-08-29   Max.   :174.00   Max.   :175.00   Max.   :169.00  
##  NA's   :42           NA's   :42       NA's   :42       NA's   :42      
##     dpm_25_d         dpm_30_d         dpm_35_d         dpm_40_d     
##  Min.   :  1.00   Min.   :  1.00   Min.   :  1.00   Min.   :  1.00  
##  1st Qu.: 38.00   1st Qu.: 37.75   1st Qu.: 38.50   1st Qu.: 35.50  
##  Median : 83.00   Median : 82.50   Median : 80.00   Median : 80.00  
##  Mean   : 85.16   Mean   : 84.56   Mean   : 82.42   Mean   : 82.17  
##  3rd Qu.:131.00   3rd Qu.:132.25   3rd Qu.:125.00   3rd Qu.:126.50  
##  Max.   :171.00   Max.   :172.00   Max.   :170.00   Max.   :169.00  
##  NA's   :43       NA's   :44       NA's   :45       NA's   :45      
##     dpm_45_d         dpm_50_d         dpm_55_d         dpm_60_d     
##  Min.   :  1.00   Min.   :  1.00   Min.   :  1.00   Min.   :  1.00  
##  1st Qu.: 38.50   1st Qu.: 37.25   1st Qu.: 40.00   1st Qu.: 41.00  
##  Median : 83.00   Median : 85.50   Median : 88.00   Median : 86.00  
##  Mean   : 84.71   Mean   : 83.64   Mean   : 85.61   Mean   : 85.61  
##  3rd Qu.:130.00   3rd Qu.:127.75   3rd Qu.:130.00   3rd Qu.:129.00  
##  Max.   :171.00   Max.   :169.00   Max.   :170.00   Max.   :170.00  
##  NA's   :45       NA's   :46       NA's   :47       NA's   :47      
##     dpm_65_d         dpm_70_d         dpm_75_d         dpm_80_d     
##  Min.   :  1.00   Min.   :  1.00   Min.   :  1.00   Min.   :  1.00  
##  1st Qu.: 38.75   1st Qu.: 40.75   1st Qu.: 39.25   1st Qu.: 42.25  
##  Median : 83.50   Median : 82.50   Median : 82.50   Median : 84.50  
##  Mean   : 83.43   Mean   : 83.44   Mean   : 81.66   Mean   : 83.92  
##  3rd Qu.:127.25   3rd Qu.:127.75   3rd Qu.:123.75   3rd Qu.:127.75  
##  Max.   :168.00   Max.   :166.00   Max.   :165.00   Max.   :166.00  
##  NA's   :48       NA's   :50       NA's   :50       NA's   :50      
##     dpm_85_d         dpm_90_d         dpm_95_d        dpm_100_d     
##  Min.   :  1.00   Min.   :  1.00   Min.   :  1.00   Min.   :  1.00  
##  1st Qu.: 44.50   1st Qu.: 44.25   1st Qu.: 41.50   1st Qu.: 42.25  
##  Median : 86.50   Median : 85.00   Median : 82.00   Median : 80.00  
##  Mean   : 84.74   Mean   : 84.60   Mean   : 81.91   Mean   : 80.65  
##  3rd Qu.:127.75   3rd Qu.:126.75   3rd Qu.:124.00   3rd Qu.:121.75  
##  Max.   :166.00   Max.   :166.00   Max.   :163.00   Max.   :160.00  
##  NA's   :50       NA's   :50       NA's   :53       NA's   :54      
##    dpm_105_d       dpm_110_d        dpm_115_d        dpm_120_d     
##  Min.   :  1.0   Min.   :  1.00   Min.   :  1.00   Min.   :  1.00  
##  1st Qu.: 42.5   1st Qu.: 42.50   1st Qu.: 40.00   1st Qu.: 41.00  
##  Median : 80.0   Median : 82.00   Median : 81.00   Median : 79.00  
##  Mean   : 79.8   Mean   : 80.22   Mean   : 79.34   Mean   : 78.19  
##  3rd Qu.:119.5   3rd Qu.:119.75   3rd Qu.:120.00   3rd Qu.:117.00  
##  Max.   :157.0   Max.   :157.00   Max.   :154.00   Max.   :151.00  
##  NA's   :57      NA's   :58       NA's   :59       NA's   :63      
##    dpm_125_d        dpm_130_d        dpm_135_d        dpm_140_d     
##  Min.   :  1.00   Min.   :  1.00   Min.   :  1.00   Min.   :  1.00  
##  1st Qu.: 40.50   1st Qu.: 37.75   1st Qu.: 38.00   1st Qu.: 37.75  
##  Median : 78.50   Median : 76.50   Median : 78.00   Median : 74.50  
##  Mean   : 77.33   Mean   : 75.31   Mean   : 76.03   Mean   : 71.37  
##  3rd Qu.:115.25   3rd Qu.:112.50   3rd Qu.:114.00   3rd Qu.:106.25  
##  Max.   :149.00   Max.   :146.00   Max.   :144.00   Max.   :138.00  
##  NA's   :64       NA's   :66       NA's   :67       NA's   :72      
##    dpm_145_d        dpm_150_d         si_10_d         si_15_d     
##  Min.   :  1.00   Min.   :  1.00   Min.   : 1.00   Min.   : 1.00  
##  1st Qu.: 36.75   1st Qu.: 35.75   1st Qu.:29.25   1st Qu.:28.25  
##  Median : 74.00   Median : 73.50   Median :43.50   Median :42.00  
##  Mean   : 70.38   Mean   : 69.98   Mean   :40.45   Mean   :38.16  
##  3rd Qu.:103.25   3rd Qu.:104.25   3rd Qu.:56.00   3rd Qu.:52.00  
##  Max.   :134.00   Max.   :134.00   Max.   :66.00   Max.   :62.00  
##  NA's   :76       NA's   :76       NA's   :50      NA's   :50     
##     si_20_d         si_25_d         si_30_d         si_35_d     
##  Min.   : 1.00   Min.   : 1.00   Min.   : 1.00   Min.   : 1.00  
##  1st Qu.:25.00   1st Qu.:28.00   1st Qu.:26.50   1st Qu.:25.00  
##  Median :38.00   Median :41.00   Median :41.00   Median :41.00  
##  Mean   :35.02   Mean   :37.46   Mean   :36.41   Mean   :36.76  
##  3rd Qu.:48.00   3rd Qu.:51.00   3rd Qu.:49.50   3rd Qu.:50.00  
##  Max.   :58.00   Max.   :60.00   Max.   :60.00   Max.   :61.00  
##  NA's   :52      NA's   :52      NA's   :53      NA's   :53     
##     si_40_d         si_45_d         si_50_d         si_55_d     
##  Min.   : 1.00   Min.   : 1.00   Min.   : 1.00   Min.   : 1.00  
##  1st Qu.:21.00   1st Qu.:25.00   1st Qu.:26.00   1st Qu.:25.00  
##  Median :39.00   Median :42.00   Median :43.00   Median :46.00  
##  Mean   :35.57   Mean   :39.78   Mean   :39.39   Mean   :43.18  
##  3rd Qu.:52.00   3rd Qu.:56.00   3rd Qu.:55.00   3rd Qu.:60.00  
##  Max.   :62.00   Max.   :69.00   Max.   :68.00   Max.   :73.00  
##  NA's   :55      NA's   :55      NA's   :55      NA's   :56     
##     si_60_d         si_65_d         si_70_d         si_75_d     
##  Min.   : 1.00   Min.   : 1.00   Min.   : 1.00   Min.   : 1.00  
##  1st Qu.:25.00   1st Qu.:21.25   1st Qu.:25.00   1st Qu.:22.25  
##  Median :50.00   Median :46.50   Median :43.50   Median :40.50  
##  Mean   :45.02   Mean   :44.10   Mean   :43.65   Mean   :40.44  
##  3rd Qu.:64.50   3rd Qu.:65.75   3rd Qu.:64.75   3rd Qu.:59.75  
##  Max.   :78.00   Max.   :78.00   Max.   :79.00   Max.   :75.00  
##  NA's   :57      NA's   :58      NA's   :58      NA's   :58     
##     si_80_d         si_85_d         si_90_d        si_95_d         si_100_d    
##  Min.   : 1.00   Min.   : 1.00   Min.   : 1.0   Min.   : 1.00   Min.   : 1.00  
##  1st Qu.:21.25   1st Qu.:21.25   1st Qu.:23.0   1st Qu.:21.00   1st Qu.:21.00  
##  Median :36.50   Median :39.50   Median :43.0   Median :37.50   Median :40.00  
##  Mean   :38.57   Mean   :40.72   Mean   :42.3   Mean   :38.26   Mean   :40.39  
##  3rd Qu.:57.75   3rd Qu.:60.00   3rd Qu.:63.0   3rd Qu.:56.75   3rd Qu.:60.00  
##  Max.   :75.00   Max.   :79.00   Max.   :82.0   Max.   :76.00   Max.   :78.00  
##  NA's   :58      NA's   :58      NA's   :59     NA's   :62      NA's   :65     
##     si_105_d        si_110_d        si_115_d        si_120_d    
##  Min.   : 1.00   Min.   : 1.00   Min.   : 1.00   Min.   : 1.00  
##  1st Qu.:22.50   1st Qu.:24.25   1st Qu.:20.50   1st Qu.:19.00  
##  Median :41.00   Median :42.00   Median :41.00   Median :37.00  
##  Mean   :40.68   Mean   :39.60   Mean   :40.37   Mean   :37.04  
##  3rd Qu.:61.00   3rd Qu.:57.00   3rd Qu.:60.00   3rd Qu.:56.00  
##  Max.   :78.00   Max.   :74.00   Max.   :78.00   Max.   :74.00  
##  NA's   :65      NA's   :66      NA's   :69      NA's   :71     
##     si_125_d        si_130_d        si_135_d        si_140_d       si_145_d    
##  Min.   : 1.00   Min.   : 1.00   Min.   : 1.00   Min.   : 1.0   Min.   : 1.00  
##  1st Qu.:18.00   1st Qu.:18.00   1st Qu.:19.75   1st Qu.:19.5   1st Qu.:20.50  
##  Median :36.00   Median :36.50   Median :39.00   Median :42.0   Median :41.00  
##  Mean   :36.82   Mean   :37.00   Mean   :39.56   Mean   :41.0   Mean   :40.21  
##  3rd Qu.:56.00   3rd Qu.:55.25   3rd Qu.:59.25   3rd Qu.:62.0   3rd Qu.:60.00  
##  Max.   :75.00   Max.   :74.00   Max.   :78.00   Max.   :81.0   Max.   :78.00  
##  NA's   :71      NA's   :72      NA's   :76      NA's   :77     NA's   :81     
##     si_150_d    
##  Min.   : 1.00  
##  1st Qu.:19.25  
##  Median :40.00  
##  Mean   :39.89  
##  3rd Qu.:60.75  
##  Max.   :78.00  
##  NA's   :86

# Igual habría que dibujar histogramas de tasas de muerte, y de vacunas puestas. No sé la verdad.

cormat <-
    cor(COVID_BGC %>% select(
        -c(
            "country_name",
            "alpha_3_code",
            "date_first_death",
            "date_fifth_death",
            43:71
        )
    ) %>% na.omit())

cormat2 <- cormat
cormat2[upper.tri(cormat2)] <-
    NA #Para visualizar solamente una vez las correlaciones
cormat2 <- melt(round(cormat2, 2)) #Formato para poder usar ggplot
ggplot(cormat2, aes(x = Var1, y = Var2, fill = value)) + geom_tile() + scale_fill_continuous(type = "viridis")

fig <-
    plot_ly(
        x = colnames(cormat),
        y = colnames(cormat),
        z = cormat,
        type = "heatmap"
    )

fig

ggplot(COVID_BGC,
       aes(x = dpm_50_d, y = `strain2005-2010`, label = country_name)) +
    geom_jitter(position = position_jitter(seed = 1)) +
    geom_label_repel(size = 2, position = position_jitter(seed = 1)) +
    xlim(c(-100, 800))

Prueba de Evaluación Continua 3 (PEC3)

Francisco Javier Botey Bataller & Lucas Goiriz Beltrán

15/12/2020

SOFTWARE PARA EL ANÁLISIS DE DATOS (SAD)

MÁSTER UNIVERSITARIO EN BIOINFORMÁTICA Y BIOESTADÍSTICA

Motivación y datasets empleados

Hagamos unos análisis descriptivos:

Hagamos un poco de estadística descriptiva: